Le lancement de DeepSeek-R1 déclenche de nouvelles tendances dans l’industrie de l’IA, Guo Mingzhi explique l’avenir

Nouvelles tendances dans l'industrie de l'IA déclenchées par le lancement de DeepSeek-R1
Le 31 janvier, l'analyste de Tianfeng International Securities, Guo Mingzhi, a publié un rapport le 29 janvier indiquant que le lancement de DeepSeek-R1 a déclenché deux nouvelles tendances importantes dans l'industrie de l'IA. Ces deux tendances se seraient manifestées de toute façon, même sans l'apparition de DeepSeek-R1, mais cette dernière a accéléré leur apparition.
Tendance 1 : Lorsque les rendements marginaux de la loi de mise à l'échelle ralentissent, la puissance de calcul de l'IA peut continuer à croître grâce à l'optimisation des méthodes d'entraînement
Au cours des 1 à 2 dernières années, la logique d'investissement des investisseurs dans la chaîne d'approvisionnement des serveurs IA était principalement basée sur la croissance durable des expéditions de serveurs IA sous la loi de mise à l'échelle. Cependant, à mesure que les rendements marginaux de la loi de mise à l'échelle diminuent progressivement, le marché commence à se concentrer sur la façon dont DeepSeek améliore considérablement l'efficacité du modèle par d'autres moyens.
La loi de mise à l'échelle stipule que la performance d'un modèle d'IA est déterminée par la quantité de paramètres du modèle (N), la quantité de données d'entraînement (D) et la capacité de calcul (C), l'idéal étant que N, D et C augmentent simultanément. Cependant, plusieurs facteurs ont entraîné une diminution des rendements marginaux de la loi de mise à l'échelle :
1. Les données textuelles créées par l'homme (D) sont presque épuisées.
2. Sans amélioration significative de la capacité de calcul (C) ou l'épuisement des données d'entraînement (D), l'augmentation du nombre de paramètres du modèle (N) ne conduit pas à une amélioration significative de la performance du modèle.
3. La capacité de calcul (C) ne peut pas être améliorée de manière significative à court terme (par exemple, le système Blackwell n'est pas encore produit en masse, limitations de l'approvisionnement en énergie, etc.).
D'un point de vue de la recherche industrielle, DeepSeek-R1 montre comment l'optimisation des méthodes d'entraînement peut considérablement améliorer l'efficacité des modèles, ce qui suggère que l'optimisation des méthodes d'entraînement peut aider à augmenter la puissance de calcul de l'IA et à découvrir de nouvelles applications, même lorsque les rendements marginaux de la loi de mise à l'échelle diminuent.
Tendance 2 : Les prix des API/Token chutent de manière significative, favorisant la diversification des applications d'IA
Actuellement, le modèle de rentabilité de l'industrie de l'IA repose principalement sur la vente d'outils et la réduction des coûts, plutôt que sur la création de nouvelles entreprises ou l'amélioration de la valeur ajoutée des entreprises existantes. DeepSeek-R1 a adopté une stratégie de prix agressive, offrant une utilisation gratuite et fixant les prix des API/Token à moins de 1/100 de ceux d'OpenAI-o1. Cette pression concurrentielle pourrait faire baisser le coût d'utilisation de l'IA et accélérer la diversification des applications d'IA.
Les coûts des logiciels/services d'IA et des appareils IA diminuent en raison de la baisse des prix des API/Token et de l'optimisation des méthodes d'entraînement, ce qui contribue à accroître la demande de puissance de calcul de l'IA et à réduire les inquiétudes des investisseurs sur la rentabilité des investissements en IA. Bien que l'utilisation de l'IA augmente en raison de la baisse des prix, il reste à voir si l'augmentation de l'utilisation pourra compenser la baisse des prix.
Conclusion
La loi de mise à l'échelle est une règle empirique, donc réduire raisonnablement les attentes et adopter une vision rationnelle des tendances d'investissement à long terme est bénéfique. Les mises à jour des puces, l'amélioration des limitations de l'approvisionnement en énergie et l'intégration de plus de données multimodales dans l'entraînement peuvent aider à accélérer à nouveau les rendements marginaux de la loi de mise à l'échelle. Seuls les grands déployeurs seront confrontés à la diminution des rendements marginaux de la loi de mise à l'échelle, ce qui valide à nouveau la position dominante de Nvidia.
En raison des ressources communautaires ouvertes et de l'environnement concurrentiel intense en Chine, d'autres fabricants chinois devraient lancer des LLM à des prix plus agressifs avec de bonnes performances. À ce moment-là, si les fournisseurs de services LLM n'ont pas encore commencé à générer des bénéfices stables, la pression sur eux pour atteindre la rentabilité augmentera.
Grâce à la chute significative des prix des API/Token, les logiciels/services d'IA et les appareils IA attireront davantage d'investisseurs. Leur capacité à devenir une nouvelle tendance d'investissement à long terme dépendra de leur capacité à créer un modèle commercial rentable.
Nvidia reste le gagnant à l'avenir lorsque les rendements marginaux de la loi de mise à l'échelle accéléreront à nouveau, mais l'attention devra être portée sur les problèmes de production à grande échelle de GB200 NVL72 à court terme et sur toute modification des interdictions d'exportation de semi-conducteurs des États-Unis à moyen et long terme.